論文の概要: Geometry-Aware Reinforcement Learning for 2D Irregular Nesting

• arxiv url: http://arxiv.org/abs/2606.10611v1
• Date: Tue, 09 Jun 2026 09:11:36 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-10 15:40:58.41202
• Title: Geometry-Aware Reinforcement Learning for 2D Irregular Nesting
• Title（参考訳）: 2次元不規則ネスティングのための幾何認識強化学習
• Authors: Auguste Lehuger, Guillaume Henon-Just,
• Abstract要約: 強化学習は、このボトルネックを克服するために一意に位置づけられている、と私たちは主張する。 最適化ポリシーを幾何学的認識型ニューラルエンコーダと組み合わせることで、エージェントはリッチな幾何学的先行点を自動的に発見することができる。 訓練されたエージェント領域利用性能は,最先端の解法であるSparrowと高い競争力を持つことを示す。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Traditional heuristic solvers for the 2D irregular nesting problem share a fundamental limitation: they are blind to polygon geometry, relying on guided brute-force to navigate the continuous placement space with minimal geometrical guidance. In this paper, we argue that Reinforcement Learning is uniquely positioned to overcome this bottleneck. By pairing an optimization policy with a geometry-aware neural encoder, an agent can automatically discover rich geometric priors directly from data, utilizing these learned intuitions to strategically guide exploration. To realize this, we introduce the Polygons Transformer (PoT), a novel architecture that encodes 2D continuous vector geometries while allowing cross-polygons attention. We couple this novel architecture with a Combinatorial Optimization Reinforcement Learning (CORL) training framework to find optimal solutions. To support this paradigm, we release an open-source training dataset derived from complex geographic contours alongside a dedicated evaluation benchmark. Our empirical validation demonstrates that our trained agent achieves area utilization performance highly competitive with Sparrow, the state-of-the-art heuristic solver, proving that reinforcement learning can successfully discover and exploit geometric awareness for precise spatial tasks.
• Abstract（参考訳）: 従来の2次元不規則なネスト問題に対するヒューリスティックな解法は基本的な制限を共有している:それらはポリゴン幾何学に盲目であり、最小の幾何学的ガイダンスで連続配置空間をナビゲートするブルートフォースに依存している。 本稿では,このボトルネックを克服するために,強化学習が一意に位置づけられていることを論じる。 最適化ポリシーを幾何学的認識型ニューラルエンコーダと組み合わせることで、エージェントはデータから直接リッチな幾何学的先行点を発見でき、これらの直観を利用して探索を戦略的に導くことができる。 これを実現するために,ポリゴン変換器 (PoT) を導入する。これは2次元連続ベクトル幾何学を符号化し,ポリゴン間の注意を喚起する新しいアーキテクチャである。 我々は、この新しいアーキテクチャを、最適なソリューションを見つけるために、 Combinatorial Optimization Reinforcement Learning (CORL)トレーニングフレームワークと組み合わせる。 このパラダイムをサポートするために、我々は、専用の評価ベンチマークとともに、複雑な地理的輪郭から派生したオープンソースのトレーニングデータセットをリリースする。 実験的な検証により,我々の訓練されたエージェントは,最先端のヒューリスティック・ソルバであるSparrowと高い競争力を発揮し,空間的タスクにおける幾何学的認識の発見と活用に成功できることが証明された。

関連論文リスト

• Make Geometry Matter for Spatial Reasoning [62.61667611352403]
  視覚言語モデル(VLM)は、強いイメージと映像理解を実現するが、静的シーンとダイナミックビデオの両方で空間的推論を行う能力は限られている。 近年の進歩は、事前訓練された3次元基礎モデルから幾何学トークンをVLMに注入することで、この制限に対処しようとしている。 我々は、VLMが幾何トークンで積極的に推論するように促すことにより、幾何学的問題を作るためのフレームワークGeoSRを提案する。
  論文  参考訳（メタデータ） (2026-03-27T17:45:12Z)
• VIGOR: VIdeo Geometry-Oriented Reward for Temporal Generative Alignment [15.619170225414571]
  ビデオ拡散モデルは、トレーニング中に明らかな幾何学的監督が欠如し、矛盾したアーティファクトにつながった。 本稿では,事前学習した幾何学的基礎モデルを利用して,多視点の一貫性を評価する幾何学的報酬モデルを提案する。 提案手法は, 誤差計算をポイントワイズで行うことにより, より物理的に基礎的かつロバストな誤差測定値が得られる。
  論文  参考訳（メタデータ） (2026-03-17T09:04:10Z)
• GeoSense: Internalizing Geometric Necessity Perception for Multimodal Reasoning [51.63457948949102]
  マルチモーダル大規模言語モデル(MLLM)の限られた空間的理解を克服する枠組みを開発する。 この枠組みは,2次元の手がかりが不十分と判断された場合の推論において,幾何学的特徴を自律的に関与させることにより,知覚的不整合を意識したモデルを実現する。
  論文  参考訳（メタデータ） (2026-03-11T03:32:12Z)
• Geo-Code: A Code Framework for Reverse Code Generation from Geometric Images Based on Two-Stage Multi-Agent Evolution [22.312869477454864]
  マルチエージェントシステムに基づく幾何画像のための最初の逆プログラミングフレームワークであるGeo-coderを提案する。 提案手法は,画素アンカーとメートル法駆動のコード進化による幾何学的モデリングに革新的に分離する。 実験により,ジオコーダは幾何再構成精度と視覚的整合性の両方に大きく貢献することが示された。
  論文  参考訳（メタデータ） (2026-02-08T00:48:49Z)
• Geometric-aware Pretraining for Vision-centric 3D Object Detection [77.7979088689944]
  GAPretrainと呼ばれる新しい幾何学的事前学習フレームワークを提案する。 GAPretrainは、複数の最先端検出器に柔軟に適用可能なプラグアンドプレイソリューションとして機能する。 BEVFormer法を用いて, nuScenes val の 46.2 mAP と 55.5 NDS を実現し, それぞれ 2.7 と 2.1 点を得た。
  論文  参考訳（メタデータ） (2023-04-06T14:33:05Z)
• Depth Completion using Geometry-Aware Embedding [22.333381291860498]
  本稿では,幾何認識の埋め込みを効率的に学習する手法を提案する。 局所的および大域的な幾何学的構造情報を、例えば、シーンレイアウト、オブジェクトのサイズと形状などの3Dポイントから符号化し、深度推定を導く。
  論文  参考訳（メタデータ） (2022-03-21T12:06:27Z)
• Self-supervised Geometric Perception [96.89966337518854]
  自己教師付き幾何知覚(self-supervised geometric perception)は、基底幾何モデルラベルなしで対応マッチングのための特徴記述子を学ぶためのフレームワークである。 また,SGPは,地上トラスラベルを用いて訓練した教師付きオークルよりも同等か優れる最先端性能を達成できることを示す。
  論文  参考訳（メタデータ） (2021-03-04T15:34:43Z)
• Neural Subdivision [58.97214948753937]
  本稿では,データ駆動型粗粒度モデリングの新しいフレームワークであるNeural Subdivisionを紹介する。 すべてのローカルメッシュパッチで同じネットワーク重みのセットを最適化するため、特定の入力メッシュや固定属、カテゴリに制約されないアーキテクチャを提供します。 単一の高分解能メッシュでトレーニングしても,本手法は新規な形状に対して合理的な区分を生成する。
  論文  参考訳（メタデータ） (2020-05-04T20:03:21Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。